如何引導以任務為導向的聊天機器人使用者，以及何時引導？
我的角色
使用者經驗研究員
使用者經驗研究員
公司資訊
國立陽明交通大學
國立陽明交通大學
專案屬性
UX Research
UX Research
Mixed-Method Research
時程
Sept. 2020 - Sept. 2021
Sept. 2020 - Sept. 2021
OVERVIEW
當你的聊天機器人失靈時，你提供的引導——以及提供的時機——會對任務成功率、中途放棄率，以及使用者是否會隨時間變得更熟練產生可量化的影響。本研究比較了 8 種組合之間的取捨，讓你的團隊不必靠猜測來設計聊天機器人。
每一種以任務為導向的聊天機器人——訂位助理、內部 IT 協助工具、客服機器人——都有相同的失敗模式：使用者說了機器人聽不懂的內容，而雙方都不知道下一步該怎麼做。這些對話中斷會降低效率、削弱信任，並且常常以放棄告終。
標準的修正方式是「加入 Onboarding Guidance」。
但該用哪一種？又該何時提供？先前研究只給出模糊的建議（「向使用者示範如何與系統互動」），卻沒有告訴實務工作者該使用範例還是規則，也沒有說明應該先把引導全部放在前面，還是按需求再呈現。本研究進行了實際實驗。
當你的聊天機器人失靈時，你提供的引導——以及提供的時機——會對任務成功率、中途放棄率，以及使用者是否會隨時間變得更熟練產生可量化的影響。本研究比較了 8 種組合之間的取捨，讓你的團隊不必靠猜測來設計聊天機器人。
每一種以任務為導向的聊天機器人——訂位助理、內部 IT 協助工具、客服機器人——都有相同的失敗模式：使用者說了機器人聽不懂的內容，而雙方都不知道下一步該怎麼做。這些對話中斷會降低效率、削弱信任，並且常常以放棄告終。
標準的修正方式是「加入 Onboarding Guidance」。
但該用哪一種？又該何時提供？先前研究只給出模糊的建議（「向使用者示範如何與系統互動」），卻沒有告訴實務工作者該使用範例還是規則，也沒有說明應該先把引導全部放在前面，還是按需求再呈現。本研究進行了實際實驗。
RESEARCH QUESTION
RQ1. 哪一種引導類型與時機的組合，能讓使用者
a) 更有效率地完成任務
b) 在對話中取得更好的進展
c) 在之後使用聊天機器人時提升表現？
RQ2. 使用者對這些組合各自有什麼主觀感受？
RQ3. 使用者對聊天機器人對話引導類型及其時機的組合，有哪些期待特徵？
RQ1. 哪一種引導類型與時機的組合，能讓使用者
a) 更有效率地完成任務
b) 在對話中取得更好的進展
c) 在之後使用聊天機器人時提升表現？
RQ2. 使用者對這些組合各自有什麼主觀感受？
RQ3. 使用者對聊天機器人對話引導類型及其時機的組合，有哪些期待特徵？
METHODS
使用混合方法研究，整合受試者間實驗與訪談的結果
本研究比較兩種指引類型（範例式與規則式）在四種指引時機（服務導入、任務介紹、失敗後、按需提供）下的八種組合之有效性，並以使用者的任務表現、後續任務的改善情況與主觀體驗作為衡量。
共有 126 位參與者（14 位參與者 x 9 種條件）
使用混合方法研究，整合受試者間實驗與訪談的結果
本研究比較兩種指引類型（範例式與規則式）在四種指引時機（服務導入、任務介紹、失敗後、按需提供）下的八種組合之有效性，並以使用者的任務表現、後續任務的改善情況與主觀體驗作為衡量。
共有 126 位參與者（14 位參與者 x 9 種條件）
INSIGHTS SUMMARY
重點摘要：
範例有助於良好的開端，而規則則有助於理解。
指引的時機很重要。
指引類型和時機的選擇取決於聊天機器人的應用情境以及指引的目的。
重點摘要：
範例有助於良好的開端，而規則則有助於理解。
指引的時機很重要。
指引類型和時機的選擇取決於聊天機器人的應用情境以及指引的目的。
INFLUENCE ON DECISION
這些發現並沒有給你一個唯一「致勝」的模式——它們提供的是一套決策框架。正確的組合取決於你是要優化 即時任務成功、長期聊天機器人流暢度，還是 使用者滿意度。這些目標往往會彼此拉扯。
統計結果
情境 1：快速上手＋高滿意度
預設使用 TASK-EXMP。
在每一種不同任務類型的開頭顯示一個可直接複製貼上的範例——要對應到該項任務本身，而不是通用的上手範例。將它放在輸入欄旁邊，讓使用者不用捲動。明確說明「你可以調整這個範例。
情境 2：會隨時間自助處理的使用者
使用 TASK-RL 或 REQ-EXMP。
規則可以建立可轉移的心智模型。可按需提供的範例適合願意探索的使用者——因為他們在尋求協助前，已經先自己嘗試過，所以學得更多。將規則和範例搭配使用：先給規則，再說「這就是它的樣子。」
情境 3：錯誤復原，但不增加摩擦
如果要部署失敗觸發的指引，一定要使用規則，絕不要用範例。
但要把規則重新表述成「這裡要檢查什麼」——而不是錯誤訊息。提供使用者一個一鍵選項，讓他們可以採用建議的改寫。語氣在這裡和內容一樣重要。
千萬不要在失敗後顯示範例——使用者會把它解讀成「正確答案明明很明顯，你早該知道。」這只會引發怨氣，而不是學習。
情境 4：僅在導覽階段提供指引
ONB-EXMP 應排除在考慮之外。
這是唯一一種會讓使用者隨著時間表現 更差 的條件。使用者會把它當成視覺雜訊快速略過（「看起來像垃圾郵件」），之後真正需要時又找不到。如果你在導覽階段一定要顯示些什麼，最多只用 1–2 條 可泛化 的規則——並在每個任務流程中連到該任務的專屬說明。
這些發現並沒有給你一個唯一「致勝」的模式——它們提供的是一套決策框架。正確的組合取決於你是要優化 即時任務成功、長期聊天機器人流暢度，還是 使用者滿意度。這些目標往往會彼此拉扯。
統計結果
情境 1：快速上手＋高滿意度
預設使用 TASK-EXMP。
在每一種不同任務類型的開頭顯示一個可直接複製貼上的範例——要對應到該項任務本身，而不是通用的上手範例。將它放在輸入欄旁邊，讓使用者不用捲動。明確說明「你可以調整這個範例。
情境 2：會隨時間自助處理的使用者
使用 TASK-RL 或 REQ-EXMP。
規則可以建立可轉移的心智模型。可按需提供的範例適合願意探索的使用者——因為他們在尋求協助前，已經先自己嘗試過，所以學得更多。將規則和範例搭配使用：先給規則，再說「這就是它的樣子。」
情境 3：錯誤復原，但不增加摩擦
如果要部署失敗觸發的指引，一定要使用規則，絕不要用範例。
但要把規則重新表述成「這裡要檢查什麼」——而不是錯誤訊息。提供使用者一個一鍵選項，讓他們可以採用建議的改寫。語氣在這裡和內容一樣重要。
千萬不要在失敗後顯示範例——使用者會把它解讀成「正確答案明明很明顯，你早該知道。」這只會引發怨氣，而不是學習。
情境 4：僅在導覽階段提供指引
ONB-EXMP 應排除在考慮之外。
這是唯一一種會讓使用者隨著時間表現 更差 的條件。使用者會把它當成視覺雜訊快速略過（「看起來像垃圾郵件」），之後真正需要時又找不到。如果你在導覽階段一定要顯示些什麼，最多只用 1–2 條 可泛化 的規則——並在每個任務流程中連到該任務的專屬說明。
IMPACT & OUTCOMES
這是第一項以實證方式測試引導類型 × 時機組合對聊天機器人任務結果影響的研究。在此之前，實務工作者在沒有比較證據的情況下，卻仍在做真正的產品決策——新手引導流程、Help 按鈕位置、錯誤復原設計——。
給 UX 研究人員
一套可複製的方法，可用來評估任何以任務為導向的對話式介面中的新手引導。兩次試驗設計（相同引導，不同任務）能清楚區分初始表現與學習效果——值得在聊天機器人與語音介面研究中採用。
給產品設計師
表現與滿意度的分歧是最核心、可採取行動的發現。進行聊天機器人引導 A/B 測試的團隊需要同時衡量完成率與滿意度——只優化其中一項，可能會明顯傷害另一項。
給內容設計師
關於失敗觸發型引導的語氣，和內容本身同樣重要。FAIL-RL 是效率最高的條件，但也會引發最負面的情緒反應。將規則表述為「提醒」而非「錯誤訊息」，是一種能產生可測量行為影響的內容介入。
給成長／留存團隊
ONB-EXMP 是最常見的真實世界模式（在註冊時先提供範例）——但它對學習最不利。若留存取決於使用者隨時間逐步建立聊天機器人熟練度，TASK 層級的引導比精心設計的新手引導流程更有效。
這是第一項以實證方式測試引導類型 × 時機組合對聊天機器人任務結果影響的研究。在此之前，實務工作者在沒有比較證據的情況下，卻仍在做真正的產品決策——新手引導流程、Help 按鈕位置、錯誤復原設計——。
給 UX 研究人員
一套可複製的方法，可用來評估任何以任務為導向的對話式介面中的新手引導。兩次試驗設計（相同引導，不同任務）能清楚區分初始表現與學習效果——值得在聊天機器人與語音介面研究中採用。
給產品設計師
表現與滿意度的分歧是最核心、可採取行動的發現。進行聊天機器人引導 A/B 測試的團隊需要同時衡量完成率與滿意度——只優化其中一項，可能會明顯傷害另一項。
給內容設計師
關於失敗觸發型引導的語氣，和內容本身同樣重要。FAIL-RL 是效率最高的條件，但也會引發最負面的情緒反應。將規則表述為「提醒」而非「錯誤訊息」，是一種能產生可測量行為影響的內容介入。
給成長／留存團隊
ONB-EXMP 是最常見的真實世界模式（在註冊時先提供範例）——但它對學習最不利。若留存取決於使用者隨時間逐步建立聊天機器人熟練度，TASK 層級的引導比精心設計的新手引導流程更有效。
Reflection
在進行本研究之前，我已有於 Trend Micro 參與智慧客服（Hybrid Support）與 chatbot 協作流程的設計，實際接觸 onboarding、引導策略與錯誤修復等產品決策情境。因此更能理解業界在設計 chatbot guidance 時，多依賴經驗法則與局部 A/B test，缺乏可系統性比較「引導類型 × 時機」的證據基礎。
在這樣的背景下，本研究將原本通常零碎且依賴試誤的設計空間，重新框架為一個結構化、可測試且可重複驗證的比較架構。從商業角度來看，這有助於大幅降低早期產品迭代中的實驗成本，減少在反覆測試不同導入與引導策略上所耗費的時間與資源，並使團隊能更快地根據實證資料收斂出設計決策。
在進行本研究之前，我已有於 Trend Micro 參與智慧客服（Hybrid Support）與 chatbot 協作流程的設計，實際接觸 onboarding、引導策略與錯誤修復等產品決策情境。因此更能理解業界在設計 chatbot guidance 時，多依賴經驗法則與局部 A/B test，缺乏可系統性比較「引導類型 × 時機」的證據基礎。
在這樣的背景下，本研究將原本通常零碎且依賴試誤的設計空間，重新框架為一個結構化、可測試且可重複驗證的比較架構。從商業角度來看，這有助於大幅降低早期產品迭代中的實驗成本，減少在反覆測試不同導入與引導策略上所耗費的時間與資源，並使團隊能更快地根據實證資料收斂出設計決策。
目錄